Earticle

초록

한국어

현재, 5G 및 IoT 기술의 발달함에 따라 실생활에 사용하는 사물들에 네트워크로 연결되어 사용되고 있다. 하지만, 네트워크로 연결된 컴퓨터를 악의적인 목적으로 사용하려는 시도가 증가하고 있으며, 사용자 정보의 기밀성 및 무결성 을 침해하는 악성코드를 이용한 공격은 더욱 지능화되고 있다. 이에 대응하기 위한 방안으로 보안관제 시스템과 AI 기술인 지도 학습을 이용한 악성 패킷 탐지 방법에 대한 연구가 진행되고 있다. 사이버보안 관제 시스템 운영상 인력 및 비용 측면에서 비효율적으로 운영되고 있다. 또한, 코로나19 팬데믹 시대에 원격 근무가 증가하여 즉각적인 대응에 어려움이 있다. 그리고 기존 AI 기술인 지도 학습을 이용한 악성코드 탐지에는 변종 악성코드를 탐지하지 못하고 데 이터의 양과 질에 따라 부정확한 악성코드 탐지율을 가진다. 따라서, 본 연구에서는 다양한 머신러닝과 딥러닝 모델을 통해 악성 패킷 탐지 기술을 융합하여 악성 패킷 탐지 정확도를 높이고 오탐률과 미탐률을 감소시키며 새로운 유형의 악성 패킷이 침입시 이를 효율적으로 탐지 할 수 있는 악성 패킷 탐지 기술을 제안 한다.

영어

Currently, with the development of 5G and IoT technology, it is being used in connection with the things used in real life through a network. However, attempts to use networked computers for malicious purposes are increasing, and attacks using malicious codes that infringe the confidentiality and integrity of user information are becoming more intelligent. As a countermeasure to this, research is being conducted on a method of detecting malicious packets using a security control system and AI technology, supervised learning. The cyber security control system is being operated inefficiently in terms of manpower and cost. In addition, in the era of the COVID-19 pandemic, remote work has increased, making it difficult to respond immediately. In addition, malicious code detection using the existing AI technology, supervised learning, does not detect variant malicious code, and has an inaccurate malicious code detection rate depending on the quantity and quality of data. Therefore, in this study, by converging malicious packet detection technologies through various machine learning and deep learning models, the accuracy of malicious packet detection is increased, the false positive rate and the false positive rate are reduced, and a new type of malicious packet can be efficiently detected when intrusion. We propose a malicious packet detection technology.

목차

요약
ABSTRACT
1. 서론
2. 관련 연구
2.1 기술 발전과 보안 위협 증가
2.2 지도학습을 이용한 악성 패킷 탐지
2.3 비지도학습을 이용한 악성 패킷 탐지
3. 구현
3.1 구현 환경
3.2 Train and Test split 과정
3.3 데이터 전처리
3.4 환경 - MDP(마르코프 결정 프로세스)
3.5 DQN(Deep Q-Network) 학습모델
3.6 Q-learning 학습 모델
4. 실험 및 평가
4.1 실험 결과
4.2 실험 결과 분석
5. 결론
참고문헌

저자

• 안병욱 [ Byounguk An | 상명대학교 정보보안공학과 학부생 ] 주저자
• 이중찬 [ JongChan Lee | 상명대학교 정보보안공학과 학부생 ] 공동저자
• 최재성 [ JeSung Chi | 상명대학교 정보보안공학과 학부생 ] 공동저자
• 박원형 [ Wonhyung Park | 상명대학교 정보보안공학과 부교수 ] 교신저자

참고문헌